Institut für Programmstrukturen und Datenorganisation

Terminkalender

ABBRECHEN || neuen Vortrag anmelden | Vorträge durchsuchen
Monat zurück | Vorträge dieser Monat | Monat vor


Fr, 06.05.2016 Herr Frederick Persch (Bachelorthesis) ID: 100216
Entwicklung einer Methodik zur Bewertung der Mächtigkeit von UML-Notationen
Betreuer: Stephan Seifermann
Kurzfassung:
UML-Notationen können graphisch, aber auch textuell sein und sich im Umfang der modellierbaren UML-Elemente stark unterscheiden. Obwohl UML heutzutage überall in der Software-Entwicklung genutzt wird, existiert bisher noch keine Möglichkeit, die Mächtigkeit von UML-Notationen zu bestimmen. Bisherige Arbeiten legen den Schwerpunkt entweder auf einen speziellen UML-Diagrammtyp oder haben ein sehr eingeschränktes Anwendungsgebiet. Deswegen wird in dieser Bachelorarbeit eine Methodik vorgeschlagen, die für beliebige UML-Diagrammtypen in der Lage ist, Benchmarks zur Messung der Mächtigkeit zu generieren. Benchmarks entsprechen UML-Diagrammen, die jeweils spezielle UML-Elemente testen. Die Benchmarks ermöglichen zudem den systematischen Vergleich verschiedener UML-Notationen. Die Validierung erfolgt über die Implementierung der Methodik und der Überprüfung der Korrektheit der so erstellten UML-Diagramme. Die Validierung zeigt, dass es mithilfe der Methodik möglich ist, korrekte UML-Diagramme zu erstellen, die als Bewertungsmöglichkeit der Mächtigkeit von UML-Notationen dienen.
Passwort:  

Fr, 20.05.2016 Herr Marco Sturm (Bachelorthesis) ID: 100212
Statistische Auswertung von Event-Logs zum praktikablen Echtzeitmonitoring eines Systemverbunds für das vernetzte Fahrzeug
Betreuerin: Jutta Mülle
Kurzfassung:
Ein Auto ist heutzutage immer stärker vernetzt. Connectivity-Services, wie das Öffnen des Autos über eine Smartphone-App, werden immer beliebter. Diese Services tragen insbesondere zur Kundenzufriedenheit bei. Zum Betrieb dieser Services wird eine Vielzahl von Applikationen im Backend benötigt. Das Monitoring der Applikationen auf Anwendungsebene findet aktuell nur begrenzt in Echtzeit statt. Um die Reaktionsgeschwindigkeit zu erhöhen wurde in dieser Arbeit Complex Event Processing als Ansatz zur kontinuierlichen Auswertung der produzierten Logeinträge untersucht. Es wurde eine Anwendung entwickelt, die mehrere Tausend Logeinträge pro Sekunde verarbeiten kann und Störungen in Echtzeit erkennt. Dafür wird nach starken Abfällen in der Anzahl der erzeugten Logeinträge, die als Störung interpretiert werden können, gesucht. Es hat sich gezeigt, dass Complex Event Processing mit diesen Datenmengen zurechtkommt, und mit dem gewählten Ansatz Störungen für Applikationen mit großen Logeintragsvorkommen zuverlässig erkannt werden können. Ist die Anzahl der Logeinträge hingegen gering, kann keine zuverlässige Störungserkennung stattfinden.
Passwort:  
 
Frau Vanessa Steurer (Bachelorthesis) ID: 100218
Strukturerkennung von Bedingungen in gesprochener Sprache
Betreuer: Sebastian Weigelt
Kurzfassung:
Bedingungssätze sind ein wesentlicher Bestandteil der natürlichen Sprache und lassen sich als bedingte Anweisung in einem Arbeitsablauf interpretieren. Ein Roboter besitzt dieses Verständnis jedoch noch nicht. Es müssen daher zahlreiche Analysen durchgeführt werden, um die zugrunde liegenden linguistischen Merkmale der Äußerung zu extrahieren. In dieser Arbeit wird die Strukturerkennung von Bedingungssätzen in natürlichsprachlichen Eingaben erarbeitet. Hierzu werden verschiedene Heuristiken zu syntaktischen Merkmalen erstellt, welche die Strukturbestimmung von Bedingungen und den zugehörigen Anweisungsblöcken ermöglichen. Die Funktionalität des entworfenen Werkzeuges wurde anschließend mit händischen Transkriptionen als auch mit Ausgaben eines Spracherkenners getestet. Dabei konnte eine gute Ausbeute von 0,85 sowie eine Präzision und Genauigkeit von über 0,9 bezüglich der Zuordnung eines Wortes zu einem Bedingungssatz der Eingabe gemessen werden. Die Nutzung von Korreferenz-Informationen konnten die erzielten Resultate zusätzlich verbessern.
Passwort:  

Fr, 27.05.2016 Herr Nicolas Antor (Bachelorthesis) ID: 100219
Automated Data-Preprocessing for Classifiers using Genetic Programming
Betreuer: Georg Steinbuß
Kurzfassung:
Klassifikationssysteme werden zunehmend in verschiedensten Bereichen eingesetzt. Ziel dieser Systeme ist es, nach einem vorher definierten Lernverfahren neue Datenwerte automatisch in Kategorien einzuteilen um so dem Menschen Arbeit abzunehmen. Deren Performance haengt allerdings haeufig von der Qualitaet und dem Umfang der ihnen gelieferten Daten ab. Verbesserungen in der Performance sind in vielen Bereichen von hoechster Wichtigkeit, etwa bei der Diagnoseunterstuetzung zur Erkennung von Krebstumoren. Eine Moeglichkeit die Ergebnisse zu verbessern ist die Auswahl geeigneter vorverarbeitender Funktionen, welche die Daten aufbereiten und neue Werte extrahieren. Die Menge an Vorverarbeitungsoptionen ist jedoch sehr gross, sodass eine Auswahl bezueglich welcher Funktionen und deren Reihenfolge erfolgen muss. Deren Auswahl wird aber aktuell meist von Hand vorgenommen, da ein simples ausprobieren von moeglichen Kombinationen, rechnerisch auf grossen Datenmengen zeitlich schwierig ist. Es wurde gezeigt, dass Genetische Algorithmen den Auswahlprozess nicht nur Beschleunigen koennen, sondern auch haeufig bessere Ergebnisse liefern.
Passwort: